MétaCan
Menu
Retour à la cohorte
Enregistrement W4392516312 · doi:10.1080/19420862.2024.2323706

Improving the integrity and reproducibility of research that uses antibodies: a technical, data sharing, behavioral and policy challenge

2024· article· en· W4392516312 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.
fundUn bailleur canadien est enregistré sur le travail.

Notice bibliographique

RevuemAbs · 2024
Typearticle
Langueen
DomaineImmunology and Microbiology
ThématiqueBiosimilars and Bioanalytical Methods
Établissements canadiensMcGill UniversityStructural Genomics ConsortiumMontreal Neurological Institute and Hospital
Organismes subventionnairesNIHR Leicester Biomedical Research CentreBiotechnology and Biological Sciences Research CouncilNational Institute of General Medical SciencesDirectorate for Biological SciencesOntario GenomicsNational Institute for Health and Care ResearchGenome Canada
Mots-clésContext (archaeology)Computer scienceQuality (philosophy)ExploitData scienceBiochemical engineeringRisk analysis (engineering)BusinessEngineeringComputer securityBiology

Résumé

récupéré en direct d'OpenAlex

Antibodies are one of the most important reagents used in biomedical and fundamental research, used to identify, and quantify proteins, contribute to knowledge of disease mechanisms, and validate drug targets. Yet many antibodies used in research do not recognize their intended target, or recognize additional molecules, compromising the integrity of research findings and leading to waste of resources, lack of reproducibility, failure of research projects, and delays in drug development. Researchers frequently use antibodies without confirming that they perform as intended in their application of interest. Here we argue that the determinants of end-user antibody choice and use are critical, and under-addressed, behavioral drivers of this problem. This interacts with the batch-to-batch variability of these biological reagents, and the paucity of available characterization data for most antibodies, making it more difficult for researchers to choose high quality reagents and perform necessary validation experiments. The open-science company YCharOS works with major antibody manufacturers and knockout cell line producers to characterize antibodies, identifying high-performing renewable antibodies for many targets in neuroscience. This shows the progress that can be made by stakeholders working together. However, their work so far applies to only a tiny fraction of available antibodies. Where characterization data exists, end-users need help to find and use it appropriately. While progress has been made in the context of technical solutions and antibody characterization, we argue that initiatives to make best practice behaviors by researchers more feasible, easy, and rewarding are needed. Global cooperation and coordination between multiple partners and stakeholders will be crucial to address the technical, policy, behavioral, and open data sharing challenges. We offer potential solutions by describing our Only Good Antibodies initiative, a community of researchers and partner organizations working toward the necessary change. We conclude with an open invitation for stakeholders, including researchers, to join our cause.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,329
Score d'incertitude au seuil0,641

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0060,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,002
Communication savante0,0000,000
Science ouverte0,0000,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,332
Tête enseignante GPT0,485
Écart entre enseignants0,153 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle